CN112244870B - 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 - Google Patents
基于符号化排列传递熵的癫痫脑电双向耦合分析方法 Download PDFInfo
- Publication number
- CN112244870B CN112244870B CN202011015319.3A CN202011015319A CN112244870B CN 112244870 B CN112244870 B CN 112244870B CN 202011015319 A CN202011015319 A CN 202011015319A CN 112244870 B CN112244870 B CN 112244870B
- Authority
- CN
- China
- Prior art keywords
- analysis
- entropy
- electroencephalogram
- eeg
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于符号化排列传递熵的癫痫脑电双向耦合分析方法。具体步骤为首先采用多尺度符号化排列传递熵的方法提取多通道癫痫脑电信号的耦合特征,并选择合适的尺度和频段构建脑电同步矩阵;其次基于显著性分析的方法筛选癫痫发作时的重要通道,进行通道间双向耦合分析;为了进一步研究整个大脑皮层区域整体的同步关系,本发明将多通道脑电信号划分为4个脑区,在δ,θ,α,β频段下使用S估计器进行多通道脑电信号同步性分析。本发明提高了癫痫脑电信号双向耦合以及同步性的特征,并做出更加科学合理的分析方法。
Description
技术领域
本发明涉及一种利用多尺度符号化排列传递熵对癫痫脑电信号双向耦合和 同步强度的分析方法,特别是基于癫痫患者多通道脑电信号的癫痫发作病灶定位, 属于智能模式识别技术领域。
背景技术
癫痫是一种突然、反复发作的大脑功能障碍慢性病,由于大脑异常电活动的 起始部位及传播方式不同,导致癫痫临床表现复杂多样,包括短暂的感觉障碍、 肢体抽搐、意识丧失、行为障碍等,对患者身体、精神带来严重损伤。脑电信号 包含着大脑活动的重要信息,基于脑电信号的癫痫发作病灶定位、诊断和治疗, 已被证实其有效性和可行性。
癫痫脑电信号(Electroencephalogram,EEG)的特征可以通过时域、频域、 时频域和非线性动力学分析提取,在癫痫患者的脑电信号中,癫痫发作期的EEG 与发作间期的EEG具有不同的特征,所以可以通过找到这些不同的特征来判断癫 痫发作的脑区并做出病灶定位。
大脑是一个相当复杂的非线性动力系统,近年来,相干性分析、格兰杰因果 分析、传递熵以及符号化传递熵等方法都被用来分析癫痫脑电同步关系,如癫痫 发作时alpha、beta频段大脑部分脑通道同步特征显著。神经系统疾病往往会产 生病变的EEG,如癫痫疾病会引起大脑部分区域出现异常性放电,使得EEG中掺 杂了称为癫痫样波的异常信息。目前针对癫痫患者脑通道间同步性、相关性研究 的文献较少,有待进一步进行研究分析。对癫痫患者的脑电信号进行有效分析, 研究癫痫发作时脑电信号的变化及交互,对预测、治疗、癫痫病灶的定位都有重 要的意义。
发明内容
本发明针对现有技术的不足,提出了一种基于符号化排列传递熵的癫痫脑 电双向耦合分析方法;目的是为了有效地分析多通道癫痫脑电信号的双向耦合、 同步性变化。
本发明使用的技术方案如下。
本发明提出一种基于符号化排列传递熵的癫痫脑电双向耦合分析方法,步骤 如下:
步骤一,采集癫痫患者的多通道头皮脑电信号(EEG);
步骤二,对癫痫EEG信号进行预处理:
先滤除EEG数据中有电力线干扰的50Hz左右的信号。再进行EEG数据的消 噪处理,采用db6小波进行6层分解,进行小波阈值消噪。
对消噪过后的脑电信号,采用滑窗为5s,无重叠的方式选取患者的癫痫发作 间期与发作期的脑电信号进行分析。
步骤三,对EEG数据进行多尺度符号化:
首先进行多尺度符号化直接根据原始序列的数值特点进行符号划分的静态 法,对于长度为n的时间序列Xt={x1,x2,x3……}的符号化公式如公式(1):
S为符号的数量。S的大小可以任意的放大或缩小,S的值越大符号序列就 越接近原始序列。分别取时间序列的最小值与最大值得到采样点个数为S-1的等 差划分集合{X1,X2…XS-1},将原始时间序列划分得到XS符号序列。
步骤四,采用排列模式对EEG数据重构:
采用排列熵算法中的排列模式对EEG数据进行重构。首先对XS进行相空间 重构:
其中m为嵌入维数,τ为延迟因子。对时间重构序列按升序排列:
会得到一组符号序列πj={j1,j2…jm}表示重构时间序列中各个元素原始 位置索引,序列共有m!种排列可能。对m!种排列对应{0,1,2,3,…,m!-1}进行符 号化,可以得到新的时间序列。
步骤五,多尺度符号化排列传递熵计算:
结合步骤三,步骤四的多尺度符号化、排列模式后对重构的数据进行传递熵 的求取。
在已知随机过程Y的历史状态条件下,随机过程X的历史状态包含的Y的未 来信息量。
对于任意两个随机变量X和Y,其概率分布函数分别是:p(x),p(y),x、 y是实数,是分布函数和密度函数的自变量。联合分布为p(x,y)。则X的信息 熵定义为:
X,Y的联合信息熵定义为:
X以Y为条件的条件信息熵为:
步骤六,分析癫痫EEG信号耦合强度的方法,对癫痫EEG信号同步性分析的 方法:
选取合适的符号化尺度以及合适的相空间重构的嵌入维数和延迟因子,对 EEG信号进行多尺度符号化排列传递熵的求取,并进行双向耦合分析,通过生成 的同步矩阵结合单因素方差分析对同步矩阵内每个通道进行显著性分析,保留发 作期与发作间期间具有显著变化的通道,确定为癫痫发作间期到癫痫发作期的重 要通道。对重要通道进行详细的双向耦合分析。在对多通道EEG信号划分脑区, 分为颞叶、顶叶、枕叶、额叶四个脑区,进行脑区间的同步分析。采用S估计器 将双通道同步分析拓展到多通道上来,数据矩阵XM*N=[xij],i=1,2,3,…M, j=1,2,3…N。其协方差矩阵为C,对C进行特征分解求得特征值λi,对特征值 归一化:
λi'为协方差矩阵归一化后的特征值。S估计器定义为:
S为S估计器同步强度值,S∈[0,1],S的值越大,表示同步性越强。S值 是一种全局的索引,可以用来描述全局的同步强度。将多通道EEG,划分为四个 脑区,并生成各自脑区的同步矩阵,并根据同步矩阵以及S估计器求得该脑区内 的同步强度。
本发明在现有癫痫脑电分析技术上进行创新,提出新的脑电分析方法,相较 于现有的技术,本发明的分析方法得到更加全面以及细致的效果。
附图说明
图1为多通道癫痫EEG分析流程图;
图2为同步矩阵显著性分析后选择重要通道图;
图3为多尺度下排列传递熵的变化;
图4(a)患者1在C3-P3通道癫痫发作期及发作间期耦合强度对比
图4(b)患者2在C3-P3通道癫痫发作期及发作间期耦合强度对比
图5(a)患者1在T8-P8通道癫痫发作期及发作间期耦合强度对比
图5(b)患者2在T8-P8通道癫痫发作期及发作间期耦合强度对比
图5(c)患者3在T8-P8通道癫痫发作期及发作间期耦合强度对比
图6(a)额叶区4个频段同步强度比较
图6(b)顶叶区4个频段同步强度比较
图6(c)枕叶区4个频段同步强度比较
图6(d)颞叶区4个频段同步强度比较
具体实施方式
为了更好的分析多通道EEG的耦合强度和脑区间的同步强度,本发明主要在 EEG的分析方法进行改进。本发明提出了使用多尺度符号化将原始EEG脑电信号 进行符号化,再使用排列模式对序列进行重构得到新的时间序列,将重构的序列 使用传递熵算法求EEG间双向耦合强度。最后将多通道EEG分为四个脑区,使用 S估计器将双向同步性拓展到多通道同步性分析,探讨脑区间的同步强度。
具体的基于符号化排列传递熵的癫痫脑电双向耦合分析方法流程图如图1 所示,本发明提出一种基于多尺度符号化排列传递熵算法对癫痫脑电信号进行分 析,具体步骤如下:
步骤1、癫痫患者EEG采集,对停用抗癫痫药后几天后对受试者进行监测, 对患者进行48小时连续的测量,患者佩戴有多个电极的脑电信号采集帽,使用 EEG电极位置和命名以国际10-20系统脑电极分布。所有信号均以采样频率256Hz 的速度以16位分辨率进行采样,使用双导联方式对选择23个通道进行采集,分 别为ch1(FP1-F7)、ch2(F7-T7)、ch3(T7-P7)、ch4(P7-O1)、ch5(FP1-F3)、 ch6(F3-C3)、ch7(C3-P3)、ch8(P3-O1)、ch9(FP2-F4)、ch10(F4-C4)、ch11(C4-P4)、 ch12(P4-O2)、ch13(FP2-F8)、ch14(F8-T8)、ch15(T8-P8)、ch16(P8-O2)、 ch17(FZ-CZ)、ch18(CZ-PZ)、ch19(P7-T7)、ch20(T7-FT9)、ch21(FT9-FT10)、ch22(FT10-T8)、ch23(T8-P8)。多通道脑电信号可以分析细致的脑通道间的耦合 性变化,也可以拓展为分析脑区间的同步性变化。
步骤2、先滤除EEG数据中有电力线干扰的50Hz左右的信号。再进行EEG 数据的消噪处理,采用db6小波进行6层分解,进行小波阈值消噪。对消噪过后 的脑电信号,采用滑窗为5s,无重叠的方式选取患者的癫痫发作间期与发作期 的脑电信号进行分析。
步骤3、将消噪后的癫痫EEG数据进行多尺度符号化排列传递熵的求取。首 先要确定多尺度符号化的尺度,通过图3还可以看出当增大的到一定的尺度后, 传递熵值并不会继续增加,会趋向平稳且会稍有下降。所以选择合适的尺度去研 究脑电信号的耦合性极其重要,这里选取尺度为65进行实验。对EEG信号符号 化后,进行排列模式重构信号,进行相空重构,对于脑电信号,嵌入维数m和 延迟时间τ是两个十分重要的参数。选取过大的m会使时间特性丢失,过小的 m会导致重构效果不明显,一般而言嵌入维数m=3,4,5,6,7。对于严重非平稳的 脑电信号,取m=3。若延迟时间τ取得太大,会降低相空间重构得到的空间向量的相关性;延迟时间τ太小,得到的空间向量又会得到大量的冗余信息,在 相关研究中,一般选择延迟时间τ=1进行分析。对相空间重构后的时间重构序 列按升序排列,会得到一组符号序列表示重构时间序列中各个元素原始位置索引, 序列共有m!种排列可能。对m!种排列对应{0,1,2,3,…,m!-1}进行符号化,可 以得到新的时间序列。得到新的时间序列后求两两EEG之间传递熵。
步骤4、本文通过排列传递熵生成23*23的同步矩阵,表示脑电通道间的耦 合性强度,如图3所示。可以发现患者在癫痫发作期和发作间期时部分通道间的 耦合强度会有所变化。为了优化通道选择,利用脑电信号同步矩阵确定不同状态 下变化强烈的脑电通道,本文采用单因素方差分析(ANOVA)检验,判断通道在 对发作期与发作间期两种状态下是否具有显著性差异。当该通道显著性结果 p<0.05时,表明该通道在发作间期和发作期时变化明显,保留该通道作为重要 通道。结果p>0.05时则表明该通道不具有显著性差异,可能是癫痫发作对该通 道影响较小,将不再具体讨论该通道。最后可以得到通道优化选择后的同步矩阵, 如图2。使用多尺度符号化排列传递熵对24个病历记录进行分析,并提取每个 病历的重要通道。记录的24个病历中,共计19例病历中C3-P3通道在癫痫发作 期及发作间期的变化较大,被筛选为重要通道,通道呈现图4(a)变化的趋势, 癫痫发作时熵值会下降,通道间的耦合强度会下降。其余的病历变化趋势如图 4(b),发作期的熵值无明显变化。18例病历在T8-P8通道被筛选为重要通道, 熵值变化的趋势如图5(a),癫痫发作期的熵值会上升,通道间的耦合强度会增 强。3例病历中T8-P8通道变化趋势如图5(b)发作期与发作间期的熵值变化不明 显,其余的2例病历T8-P8通道变化如图5(c),发作期的熵值会下降,耦合强 度会减弱。
步骤5、尺度符号化排列传递熵是双向的同步性分析,为了研究患者多通道 宏观的同步性,这里使用S估计器算法,来分析多通道脑电信号的同步性。S估 计器可以将双通道的同步分析拓展到多通道上来,根据同步特征矩阵计算得到S 估计器的同步强度估计值。将脑电信号的23个通道分为4个脑区;对4个脑区 的4个频段的总体同步强度进行分析。如图6,分别是δ,θ,α,β频段下 四个脑区的同步强度。可以发现患者在癫痫发作期和发作间期在α,β频段下 的同步性较强,其中β频段下的同步强度最为显著。这说明不同脑区的脑电信 号,在α,β频段下有强烈的同步性,人脑内这两个频段的波占主导。
表1四个脑区对应的通道
脑区 | 通道 |
额叶 | ch1,ch5,ch6,ch9,ch10,ch13,ch17 |
顶叶 | ch4,ch8,ch12,ch16,ch19 |
枕叶 | ch7,ch11,ch18 |
颞叶 | ch2,ch3,ch14,ch15,ch20,ch21,ch22,ch23 |
表1
对比不同脑区的同步强度变化,其中颞叶区的同步强度在α,β频段下发作 期同步强度会强于发作间期,在δ,θ频段下发作期的同步强度会弱于发作间 期。而在额叶,顶叶,枕叶区,发作间期的同步强度在4个频段内均强于发作期 的同步强度,如图6。脑区同步性分析,可以更好的探究癫痫发作时不同脑区间 的变化。
Claims (2)
1.基于符号化排列传递熵的癫痫脑电双向耦合分析方法,该方法包括如下步骤:
步骤一:采集癫痫患者的多通道头皮脑电信号;
步骤二:对癫痫EEG信号进行预处理:
步骤三:对EEG数据进行多尺度符号化:
首先进行多尺度符号化直接根据原始序列的数值特点进行符号划分的静态方法,对于长度为n的时间序列Xt={x1,x2,x3···}的符号化公式如公式(1):
S为符号的数量;S的大小可以任意的放大或缩小,S的值越大符号序列就越接近原始序列;分别取时间序列的最小值与最大值,得到采样点个数为S-1的等差划分集合{X1,X2···XS-1},将原始时间序列划分得到XS符号序列;
步骤四:采用排列模式对EEG数据重构:
采用排列熵算法中的排列模式对EEG数据进行重构;首先对XS进行相空间重构:
其中m为嵌入维数,τ为延迟因子;对时间重构序列按升序排列:
会得到一组符号序列πj={j1,j2…jm}表示重构时间序列中各个元素原始位置索引,序列共有m!种排列可能;对m!种排列对应{0,1,2,3,…,m!-1}进行符号化,得到新的时间序列;
步骤五,多尺度符号化排列传递熵计算:
结合步骤三、步骤四的多尺度符号化、排列模式后对重构的数据进行传递熵的求取;
在已知随机过程Y的历史状态条件下,随机过程X的历史状态包含的Y的未来信息量;
对于任意两个随机变量X和Y,其概率分布函数分别是:p(x),p(y),x、y是实数,是分布函数和密度函数的自变量;联合分布为p(x,y);则X的信息熵定义为:
X,Y的联合信息熵定义为:
X以Y为条件的条件信息熵为:
则可定义Y对X的信息熵;
步骤六,分析癫痫EEG信号双向耦合强度和分析癫痫EEG信号同步性;
选取符号化尺度以及相空间重构的嵌入维数和延迟因子,对EEG信号进行多尺度符号化排列传递熵的求取,并进行双向耦合分析,通过生成的同步矩阵结合单因素方差分析对同步矩阵内每个通道进行显著性分析,保留发作期与发作间期间具有显著变化的通道,确定为癫痫发作间期到癫痫发作期的重要通道;对重要通道进行双向耦合分析;再对多通道EEG信号划分脑区,分为颞叶、顶叶、枕叶、额叶四个脑区,进行脑区间的同步分析;采用S估计器将双通道同步分析拓展到多通道上来,得到数据矩阵XM*N=[xij],i=1,2,3,…M,j=1,2,3…N;XM*N的协方差矩阵为C,对C进行特征分解求得特征值λi,对特征值归一化:
λi'为协方差矩阵归一化后的特征值;S估计器定义为:
Se为S估计器同步强度值,Se∈[0,1],Se的值越大,表示同步性越强;Se值是一种全局的索引,用来描述全局的同步强度。
2.根据权利要求1所述的基于符号化排列传递熵的癫痫脑电双向耦合分析方法,其特征在于:所述的对癫痫EEG信号进行预处理;具体为:
先滤除EEG数据中有电力线干扰的50Hz左右的信号;再进行EEG数据的消噪处理,采用db6小波进行6层分解,进行小波阈值消噪;
对消噪过后的脑电信号,采用滑窗为5s,无重叠的方式选取患者的癫痫发作间期与发作期的脑电信号进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015319.3A CN112244870B (zh) | 2020-09-24 | 2020-09-24 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015319.3A CN112244870B (zh) | 2020-09-24 | 2020-09-24 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112244870A CN112244870A (zh) | 2021-01-22 |
CN112244870B true CN112244870B (zh) | 2022-02-22 |
Family
ID=74231401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011015319.3A Active CN112244870B (zh) | 2020-09-24 | 2020-09-24 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244870B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222934B (zh) * | 2021-05-13 | 2022-09-20 | 南开大学 | 一种基于设备感知的显著性物体检测方法及系统 |
CN113558636B (zh) * | 2021-07-05 | 2024-04-02 | 杭州电子科技大学 | 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 |
CN116522210B (zh) * | 2023-07-03 | 2023-09-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101426422A (zh) * | 2006-03-31 | 2009-05-06 | 艾斯柏克特医疗系统股份有限公司 | 使用生物电势可变性评估镇痛足够性的系统和方法 |
CN106462027A (zh) * | 2014-06-23 | 2017-02-22 | 本田技研工业株式会社 | 对驾驶员状态进行响应的系统和方法 |
CN106963371A (zh) * | 2017-03-29 | 2017-07-21 | 天津大学 | 基于神经振荡活动检测大鼠学习记忆和认知功能的方法 |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CN108463165A (zh) * | 2016-01-08 | 2018-08-28 | 云顶道卫思诊断中心有限公司 | 用于确定网络连接的方法和系统 |
CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
CA2991350A1 (en) * | 2018-01-09 | 2019-07-09 | Holland Bloorview Kids Rehabilitation Hospital | Eeg brain-computer interface platform and process for detection of changes to mental state |
CN110558977A (zh) * | 2019-09-09 | 2019-12-13 | 西北大学 | 基于机器学习模糊特征选择的癫痫发作脑电信号分类方法 |
KR102072030B1 (ko) * | 2018-08-20 | 2020-01-31 | 한동대학교 산학협력단 | 휴지상태의 뇌전도 데이터에 기반한 뇌파 인증 장치 및 뇌파 인증 방법 |
WO2020047539A1 (en) * | 2018-08-31 | 2020-03-05 | Louisiana Tech Research Corporation | System and method for network analysis of a patient's neuro-cardio-respiratory system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2535000A1 (en) * | 2011-06-17 | 2012-12-19 | Technische Universität München | Method and system for quantifying anaesthesia or a state of vigilance |
US10456073B2 (en) * | 2015-06-09 | 2019-10-29 | The Governing Council Of The University Of Toronto | System, method and apparatus for rapid brief feedback intracerebral stimulation based on real-time desynchronization |
-
2020
- 2020-09-24 CN CN202011015319.3A patent/CN112244870B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101426422A (zh) * | 2006-03-31 | 2009-05-06 | 艾斯柏克特医疗系统股份有限公司 | 使用生物电势可变性评估镇痛足够性的系统和方法 |
CN106462027A (zh) * | 2014-06-23 | 2017-02-22 | 本田技研工业株式会社 | 对驾驶员状态进行响应的系统和方法 |
CN108463165A (zh) * | 2016-01-08 | 2018-08-28 | 云顶道卫思诊断中心有限公司 | 用于确定网络连接的方法和系统 |
CN106963371A (zh) * | 2017-03-29 | 2017-07-21 | 天津大学 | 基于神经振荡活动检测大鼠学习记忆和认知功能的方法 |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CA2991350A1 (en) * | 2018-01-09 | 2019-07-09 | Holland Bloorview Kids Rehabilitation Hospital | Eeg brain-computer interface platform and process for detection of changes to mental state |
KR102072030B1 (ko) * | 2018-08-20 | 2020-01-31 | 한동대학교 산학협력단 | 휴지상태의 뇌전도 데이터에 기반한 뇌파 인증 장치 및 뇌파 인증 방법 |
CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
WO2020047539A1 (en) * | 2018-08-31 | 2020-03-05 | Louisiana Tech Research Corporation | System and method for network analysis of a patient's neuro-cardio-respiratory system |
CN110558977A (zh) * | 2019-09-09 | 2019-12-13 | 西北大学 | 基于机器学习模糊特征选择的癫痫发作脑电信号分类方法 |
Non-Patent Citations (3)
Title |
---|
Information Flow and Application to Epileptogenic;Shivkumar Sabesan;《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》;20090630;第244-253页 * |
基于多尺度符号转移熵的脑电信号分析;杨孝敬 等;《科学技术与工程》;20180608;第18卷(第16期);第181-185页 * |
癫痫脑电的互信息和同步性分析;李红利 等;《计算机工程与应用》;20121213;第19-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112244870A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112244870B (zh) | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 | |
Fan et al. | Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals | |
Mammone et al. | Permutation Jaccard distance-based hierarchical clustering to estimate EEG network density modifications in MCI subjects | |
Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
Park et al. | Epileptic seizure detection for multi-channel EEG with deep convolutional neural network | |
Lasefr et al. | Epilepsy seizure detection using EEG signals | |
Morabito et al. | Enhanced compressibility of EEG signal in Alzheimer's disease patients | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
US20160106331A1 (en) | Fractal index analysis of human electroencephalogram signals | |
Polat et al. | Epileptic seizure detection from EEG signals by using wavelet and Hilbert transform | |
Vyšata et al. | Linear and nonlinear EEG synchronization in Alzheimer’s disease | |
Bayram et al. | Analysis of epileptic iEEG data by applying convolutional neural networks to low-frequency scalograms | |
Rosso et al. | Evidence of self-organization in brain electrical activity using wavelet-based informational tools | |
Terry et al. | Nonlinear analysis of EEG during NREM sleep reveals changes in functional connectivity due to natural aging | |
US11666285B2 (en) | Method for detecting a conversion from mild cognitive impairment to Alzheimer disease | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
CN114569141A (zh) | 一种基于特征通道融合和深度学习的癫痫预测系统 | |
Mühlberg et al. | Seizure prediction by multivariate autoregressive model order optimization | |
Ali et al. | A Hybrid Model (SVM-LOA) for Epileptic Seizure Detection in Long-Term EEG Records Using Machine Learning Techniques. | |
Abibullaev et al. | A Simple Wavelet Method for Automated Detection of Epileptic Neural Spikes in Electroencephalogram. | |
Janghel et al. | Noise Removal from Epileptic EEG signals using Adaptive Filters | |
Dulf et al. | Advantages of prefilters in stroke diagnosis from EEG signals | |
Kovalev et al. | fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships | |
Nieto et al. | Multirate Adaptive Filter Banks based on Automatic Bands Selection for Epilepsy Detection. | |
Ieracitano et al. | Investigating the brain connectivity evolution in AD and MCI patients through the EEG signals’ wavelet coherence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |